zurück zur Ko-PER-Übersicht

englisch

Situationsinterpretation / Risikobewertung

Ko-PER - Szenenverständnis - Kreuzungsskizze

Die Interpretation von Verkehrsszenarien und die Ableitung eines Kollisionsrisikos sind zentrale Elemente im Design moderner Fahrerassistenz- systeme. Dies beinhaltet die Analyse von Verhaltensmustern und die Erkennung von Absichten, nicht nur für den Fahrer eines Ego-Fahrzeugs, sondern auch für alle anderen Verkehrsteilnehmer in einer Szene.
Eine solche Multi-Objekt Analyse bedeutet eine große Herausforderung, weil:

  • interagierende Verkehrsteilnehmer eine kombinatorische Herausforderung darstellen (siehe die Abbildung rechts).
  • Kontextabhängigkeiten wie Topologie und Topographie der Kreuzung sowie Regeln der Straßenverkehrsordnung berücksichtigt werden müssen.
  • Unsicherheiten in den Sensordaten erheblich die Ergebnisse beeinflussen.

In Ko-PER werden neuartige Methoden für Situationsanalyse und -verständnis in Multi-Objekt Szenarien untersucht. Unser innovatives Verfahren besteht aus folgenden Schritten:

Ko-PER - Szenenverständnis - Ablauf

1.  Einlesen von kooperativen Sensordaten von allen szenenbeteiligten Verkehrsteilnehmern sowie von der Kreuzung und Fusion der Daten zu einer konsistenten Darstellung der Umgebung.
2.  Erkennung der möglichen Manöveroptionen für alle Verkehrsteilnehmer, z.B. Linksabbiegen oder Spurwechsel.
3.  Prognose des beabsichtigten Verhaltens und Risikobewertung der aktuellen Situation.
4.  In riskanten Situationen wird der Fahrer informiert oder das Fahrzeug kann gebremst werden. Wenn beispielsweise die Sicht aufgrund von Verdeckung blockiert ist, kann der Fahrer aufgrund der kooperativen Perzeption und Situationsanalyse frühzeitig gewarnt werden.

Die größte Herausforderung bereitet die Prognose der Absichten aller Verkehrsteilnehmer. Eine geeignete Behandlung der Unsicherheiten ist essentiell um korrekte Informationen an Fahrer und/oder an die Aktuatoren weiterleiten zu können.

Wir fragen uns, welche Methode am geeignetsten ist, um diesen Herausforderungen der “Risikobewertung in Kreuzungssituationen” bestmöglich zu begegnen und nutzen hierfür Bayes-Netzwerke. Diese kombinieren bestmöglich die qualitative Wissensdarstellung (Kontextinformation, Bewertung aller möglichen Optionen) und quantitative Wissensdarstellung (Parametrisierung mit gelernten Kreuzungsdaten). Ein mögliches Design des Netzwerks zeigt das folgende Schaubild.

Ko-PER - Szenenverständnis - Bayesian

Das Bayes Netzwerk besteht aus drei Schichten:

(I) Die Manöverabsichten einzelner Verkehrsteilnehmer werden kognitiv erkannt anhand der Merkmale spurgenaue Lokalisierung, Navigationsroute, Verkehrsregeln und Bewegungszustand.
(II) Es wird eine Kollisionswahrscheinlichkeit abgeleitet, die das aktuelle Risiko darstellt. Hierbei werden alle Kombinationen der möglichen Manöver der einzelnen Verkehrsteilnehmer berücksichtigt.
(III) Die reale Gefahr wird aus der kognitiven Bewertung aller Risiken für alle Verkehrsteilnehmer abgeleitet. Auf dieser Ebene wird das Kollisionsrisiko für die aktuelle Kreuzungssituation im Kontext von Vorfahrtsregeln in Raum und Zeit bewertet.


Weitere Details finden Sie in [1] und [2].

[1] G.Weidl and G.Breuel, Overall Probabilistic Framework for Modeling and Analysis of Intersection Situations, In Proceedings of the 16th Int. Forum on Advanced Microsystems for Automotive Applications 2012, Smart Systems for Safe, Sustainable and Networked Vehicles, pp. 257 – 268, Springer Verlag, 2012.
Die Präsentation dazu ist auf der Homepage des Forums AMAA 2012 zu finden.

[2] G. Weidl, V. Singhal, D. Petrich, D. Kasper, A. Wedel und G. Breuel, „Collision Risk Prediction and Warning at Road Intersections using an Object Oriented Bayesian Network,“ in Proceedings of 5th International Conference Automotive, Eindhoven, 2013, pp. 270-277


Weitere Entwicklungsergebnisse wurden auf der IEEE Intelligent Vehicles Conference 2012 sowie der IEEE Intelligent Transportation Systems Conference veröffentlicht [2], [3].

[2] M. Liebner, M. Baumann, F. Klanner, and C. Stiller, “Driver intent inference at urban intersections using the intelligent driver model,” in IEEE Intelligent Vehicles Symposium, Alcala de Henares, Spain, June 2012, pp. 1162–1167, (best paper award). Link

[3] M. Liebner, C. Ruhhammer, F. Klanner, and C. Stiller, “Generic Driver Intent Inference based on Parametric Models,” IEEE Intelligent Transportation Systems Conference, The Hague, The Netherlands, Oct. 2013, to appear.